Введение
ГЛАВА 1 Современное состояние теоретического и аппаратного обеспечения исследований сна 15
1.1. Исторические предпосылки и сущность задачи исследований сна 15
1.2. Типы сигналов и характеристики регистрируемых физиологических показателей 17
1.2.1. Электроэнцефалограмма 17
1.2.2. Движения глаз (электроокулограмма, ЭОГ) 18
1.2.3. Мышечная активность (электромиограмма, ЭМГ) 19
1.2.4. Электрокардиограмма 19
1.2.5. Дыхание 19
1.2.6. Кожно-гальваническая реакция 20
1.2.7. Уровень содержания кислорода в крови (Sp02) 20
1.3. Оборудование, применяемое для проведения полисомнографических исследований 21
1.3.1. Общие сведения 22
1.3.2. Каналы ЭЭГ, ЭМГ, ЭОГ и ЭКГ 23
1.3.3. Канал рекурсии дыхания 25
1.3.4. Канал положения тела 25
1.3.5. Диктофон 26
1.3.6. Регистрация данных, временная разметка записи 26
1.3.7. Измерение амплитудно-временных и спектральных параметров ЭЭГ-сигнала 27
1.3.8. Программное обеспечение 28
1.4. Расчётные физиологические показатели, применяемые для решения задачи распознавания стадий сна 28
1.5. Классификация стадий сна согласно стандарту R&K 31
1.5.1. Стадия бодрствования (W) 32
1.5.2. Первая стадия сна (S1) 33
1.5.3. Вторая стадия сна (S2) 34
1.5.4. Третья стадия сна (S3) 35
1.5.5. Четвертая стадия сна (S4) 36
1.5.6. Стадия REM 36
1.5.7. Сочетание стадии REM и других стадий сна 37
1.5.8. Время движения 37
1.5.9. ЭЭГ-активации 38
1.5.10. Сводная таблица признаков стадий сна , 41
1.6. Выводы 42
ГЛАВА 2 Методы распознавания стадий сна и построения гипнограммы 44
2.1. Анализ задачи классификации стадий сна и построения гипнограммы 44
2.2. Обзор литературы по вопросам задачи распознавания стадий сна и построения гипнограммы 44
2.3. Общие принципы работы, классификация и базовые подходы, применяемые для распознавания данных многопараметрической диагностической системы 50
2.3.1. Использование методов кластерного анализа для решения задач классификации 50
2.3.2. Применение корреляционного анализа для решения задач классификации 56
2.3.3. Нейросетевой подход к решению задачи распознавания стадий сна 58
2.4. Использование аппарата нечёткой логики для решения задач классификации 61
2.5. Методы обработки данных, получаемых с помощью многопараметрической диагностической системы 67
2.5.1. Методы математической обработки электроэнцефалограмм 67
2.5.2. Применение периодом етрического анализа для исследования распределения значений размаха амплитуд сигналов ЭЭГ и поиска специфических графоэлементов 70
2.6. Выводы 72
ГЛАВА 3 Решение задачи автоматического распознавания стадий сна и построения гипнограммы 75
3.1. Сущность предлагаемого метода автоматического распознавания стадий сна и построения гипнограммы 75
3.2. Обучение и дообучение на статистических данных 77
3.3. Распознавание стадий сна и верификация полученной гипнограммы 81
3.4. Представление функций принадлежности с помощью сплайнов 82
3.5. Задание стандартов построения гипнограммы с распознаванием 85
3.6. Полный алгоритм автоматического распознавания стадий сна и построения гипнограммы 87
3.7. Выводы
ГЛАВА 4 Разработка программной модели 91
4.1. Структурная схема реализации алгоритма работы системы автоматического распознавания стадий сна и построения гипнограммы 91
4.2. Структурные схемы программы 94
4.3. Особенности программной реализации 95
4.3.1. Структура классов 95
4.3.2. Структуры данных 98
4.3.3. Пользовательский интерфейс 99
4.4. Реализация метода автоматического построения гипнограммы в составе программно-аппаратного диагностического комплекса «Энцефалан 131-01» 106
4.5. Выводы 108
ГЛАВА 5 Результаты экспериментальных исследований 110
5.1. Методика проведения экспериментальных исследований 110
5.2. Распознавание по полному набору вторичных показателей 112
5.3. Распознавание с обучением по одному исследованию ИЗ
5.4. Распознавание по выборочному набору вторичных показателей 114
5.5. Исследование влияния логического вывода на достоверность распознавания 115
5.6. Исследование влияния способа оценки расстояния в пространстве признаков на достоверность распознавания 116
5.7. Исследование влияния на достоверность распознавания индивидуальных особенностей экспертов и состава выборки исходных статистических данных 118
5.8. Распознавание с использованием максимального набора вторичных показателей 120
5.9. Эксперименты с данными из базы PhysioNet 121
5.9.1. Общая информация 121
5.9.2. Обучение и распознавание на одном файле 122
5.9.3. Исследование sc4002e0 122
5.9.4. Исследование sc4012e0 123
5.9.5. Исследование sc4102e0 124
5.9.6. Исследование sc4112e0 124
5.9.7. Исследование st7022j0 125
5.9.8. Исследование st7052j0 125
5.9.9. Исследование st712 ljO 126
5.9.10. Исследование st7132j0 126
5.9.11. Обучение на всех, распознавание всех 127
5.9.12. Обучение на всех, распознавание каждого 127
5.9.13. Обучение на каждом, распознавание каждого 128
5.10. Выводы 129
Заключение 130
Список литературы
